چایِ آلبالو با اختلاف بهترین چایِ میوه‌ایه.

آلبالو به ترکی آذری میشه گیلانار. از دو بخش "گیل" و "انار" تشکیل شده. گیل معنی‌های مختلفی داره؛ توی ادبیات و شعرهای آذری "گیل" رو برای بخش رنگی چشم استفاده می‌کنن و معنی استعاری‌ش اون براقیت و جذابیت چشم هستش که توجه رو جلب می‌کنه. انار هم که همون میوه‌ی اناره. یعنی داخل کلمه‌ی گیلانار، شکلِ گرد، براق و جذاب بودن آلبالو به عنبیه‌ی چشم تشبیه شده و رنگ قرمز و مزه‌ی ترشش به انار. خیلی تشبیه قشنگیه :)

این که برای توصیف آلبالو از انار استفاده شده میتونه یه سرنخی درمورد ترتیب آشنایی و یا شناخته‌شده‌تر بودن یه میوه نسبت به اونیکی بهمون بده. طبق چیزی که از سرچم فهمیدم استفاده از میوه انار قدمتش به چندهزار سال پیش از میلاد میرسه و حتی توی بعضی تمدن‌ها درختش یه نماد بوده اما آلبالو قدمتش به اندازه‌ی انار بین انسانا نبوده. هرچند نمیشه دقیق نظر داد درمورد این قضیه که از کِی آلبالو رو پیدا کردن و از کِی انار رو.

با هر مدلِ هوش‌ مصنوعی‌ای کار میکنید و میخواید درمورد یه چیزی اطلاعات بگیرید مخصوصا توی حیطه‌ی ساینس، حتما آخر پرامپت این رو اضافه کنید که سرچ بزنه و بر اساس رفرنس بهتون جواب بده و بعدش هم رفرنسا و مقالات رو به تفکیک و جزئیات براتون لینکشونو بفرسته. چون اطلاعاتشون میتونه به شدت غلط باشه اما همچنان قانع کننده و منطقی. این قضیه‌ی اشتباه بودن اطلاعات رو زیاد توی موضوعایی که اطلاعات کمی درموردشون دارین نمیفهمین. حتی ممکنه به قدری اطلاعات غلط رو قانع کننده توضیح بده که همه چی جور دربیاد. اما وقتی درمورد موضوعایی که درموردشون اطلاعات عمیق دارید ازش بپرسید، میبینین بعضی جاها داره خیلی اشتباه میگه. پس حتما ازش رفرنس بخواین و محض احتیاط چک کنین اون رفرنسایی که داده رو‌.

اشتباه بودن دیتایی که بهتون میده، دوتا دلیل عمده داره. اولین دلیل فشردگی زیاد اطلاعاته. مدل موقعی که آموزش دیده و train شده، فقط بخشی از اطلاعات رو نگه داشته و بقیه‌ رو حذف کرده. بعضی مواقع تلاش میکنه جای خالی اون جزئیات رو با "ساختن" اطلاعات از خودش پر کنه. به این قضیه توی حیطه‌ی هوش مصنوعی میگن "توهم" یا hallucination. توهم باعث میشه اون بخش از اطلاعات که ناقص مونده با چیزی که در واقعیت هست پر نشه بلکه حاصل از نتیجه‌گیری‌ای باشه که خود مدل طبق اطلاعات قبلی‌ش کرده.

دومین دلیل چیزی هستش که بهش میگن knowledge cutoff. برای آموزش یه مدل هوش مصنوعی، اون رو باید با حجم زیادی از دیتا رو به رو کرد. بعد از اینکه همه‌ی اون دیتاها روی مدل سوار شد به اصطلاح میگن مدل آموزش دیده یا train شده. این یعنی بعد از آموزش دیدن و ساخته شدن مدل، هیچ داده‌ی جدیدی به طور مستقیم برای آموزش دادنش مورد استفاده قرار نمیگیره‌. به همین دلیل اطلاعاتی که یه مدل داره برای موقعی هستش که train شده و مدل به اطلاعات بعد از تایم آموزش دادنش دسترسی نداره. برای مثال مدل chatgpt 4.5 اطلاعاتش تا اکتبر 2023 هستش و به اطلاعات بعد از اون تاریخ دسترسی نداره. هر چند راه‌هایی وجود داره که بشه تاثیر knowledge cutoff رو تا حدی خنثی‌ کرد. برای مثال میشه به مدل دسترسی وب داد تا اطلاعات جدید رو در لحظه پیدا کنه یا دیتابیسای جدید بهش وصل کنن.

این که بالاتر گفتم حتما از مدل بخواید سرچ بزنه و رفرنس بیاره و بعدش رفرنس رو چک کنید به خاطر وجود hallucination و knowledge cutoff بود.

این خیلی توییت جالبی بود

درک ما از واقعیت و دنیای اطرافمون به اطلاعاتی بستگی داره که از گیرنده‌هامون به مغزمون انتقال پیدا می‌کنه. گیرنده‌هایی مثل بینایی، شنوایی و لامسه. توی این توییت می‌بینیم که یه نفر بعد از عمل کردن چشم‌هاش تازه متوجه شده دنیایی که اون بیرون وجود داشت چقدر متفاوت بود با چیزی که قبلا حس می‌کرد اون بیرون وجود داره. اما این رو متوجه نبود؛ چرا؟ چون تا وقتی که قدرت دیدش بهتر نشده بود نمی‌تونست محدود بودن اون دیدِ قبلیش رو متوجه بشه. حالا بیاید این قضیه رو ببریم توی سطح تمام آدما. ما هم همین شکلی هستیم. درک ما از واقعیت و چیزی‌ که اون بیرون وجود داره به شدت محدوده. به عبارتی، واقعیتی که ما درک می‌کنیم فقط یه برش خیلی کوچیک و محدود از چیزی هستش که واقعا وجود داره و ما متوجه نیستیم چون به این برش کوچیک عادت کردیم. فقط وقتی متوجه می‌شیم این درک چقدر سطحی و پیش پا افتاده‌ست که با سطح بالاتری از درک رو به رو بشیم.

برای مثال حس بینایی رو در نظر بگیرید. بینایی، درکی هستش که ما از امواج الکترومغناطیس داریم. اما نه همه‌ی این امواج، فقط یه بخش خیلی‌ کوچیک ازشون. اون بخشی که داخل اسپکتروم، رنگی شده همون بخشی هستش که ما می‌تونیم ببینیم و حس کنیم. همه‌ی مناظر، همه‌ی نقاشی‌ها، همه‌ی عکس‌ها و همه‌ی چیزی که ما می‌تونیم ببینیم توی اون بخشِ کوچیک قرار دارن. حتی با یه نگاه ساده به میزان وسعت اون بخش رنگی می‌تونیم به این نتیجه برسیم که چیزی که ما داریم از این امواج حس می‌کنیم یه بخش به شدت کوچیکه و بخش عظیم امواج الکترومغناطیسی که از پدیده‌ها و چیزها ساطح می‌شن از دید و حس ما پنهانه.
هرچند‌ یه سری حیوونا گیرنده‌هایی دارن که میتونن بخش‌های متفاوتی رو از این طیف ببینن. برای مثال مارها می‌تونن طیف فروسرخ و زنبورها می‌تونن طیف فرابنفش رو ببینن و حس کنن، طیف‌هایی که ما نمی‌تونیم ببینیم.

تا اینجای کار می‌دونیم که گیرنده‌هامون خیلی محدودتر از اون چیزی هستن که تمام واقعیت رو درک کنیم. اما یه بحث دیگه هم وجود داره. گیرنده‌ها اثر محرکی که براش اختصاص پیدا کردن رو به پیام تبدیل می‌کنن. برای مثال گیرنده‌های صوتی برای امواج صوت و گیرنده‌های بویایی برای مواد شیمیایی اختصاص پیدا کردن. اما این دنیا پر از محرک‌ها و تغییرهایی هستش که ما براشون هیچ گیرنده‌ای نداریم و‌ هیچ درکی از تغییرشون نداریم. یعنی علاوه بر این که گیرنده‌هامون کامل نیستن، یه سری محرک وجود دارن که اصلا براشون گیرنده‌ای نداریم و حتی همون درک محدود رو هم ازشون نداریم.

فکر کردن به این که اگر گیرنده‌هامون متفاوت‌تر بود یا گیرنده‌ برای محرک‌های بیشتری داشتیم چقدر توی زندگی‌مون، درکمون از واقعیت و دنیامون تغییر ایجاد می‌کرد همیشه برام جالب بوده.
این که می‌تونستیم طیف فروسرخ رو ببینیم چه تغییری ایجاد می‌کرد؟ آیا همچنان شب‌‌ها تاریک بودن یا تابش گرمایی‌ای که از اجسام ساطح می‌شد شب‌ها رو هم مثل روزها برامون روشن میکرد؟ یا آیا می‌تونستیم دروغ گفتنِ یه نفر رو با بالا رفتنِ دمای بدنش ببینیم؟ داشتنِ یه گیرنده‌ی صوتی متفاوت چه تاثیری توی ارتباطای انسانی داشت؟ آیا حرف زدنمون مثل الان می‌شد؟ آیا اصلا با داشتنِ یه گیرنده‌ برای یک محرک جدید نیازی به ارتباط گفتاری مثل الان بود؟ آیا اگه زمان رو مثل یه بعد فضایی می‌تونستیم‌ حس کنیم مفهوم کلمه‌هایی مثل "مسئولیت"، "امید" و "پشیمونی" همینطور باقی می‌موندن یا تغییر می‌کردن؟ داشتنِ گیرنده برای محرک‌های جدید باعث می‌شد شاعرا برای توصیف معشوق‌ و معشوقه‌هاشون از چه مفاهیمی استفاده کنن؟

اگه گیرنده‌های متفاوتی با گیرنده‌های الانمون داشتیم، برای مثال گیرنده‌ی اختصاصی مغناطیس و فشار هوا داشتیم‌ و دیوان یه شاعر رو باز می‌کردیم، بعید نبود با جمله‌هایی مثل "نبودت باعث شده قطب‌های مغناطیسی بدنم سردرگم شوند" یا "تو را با دگرگونی‌ای که در فشار هوای اطرافم ایجاد کردی می‌شناسم" مواجه بشیم😂 هرچند قطعا داخل این شعرها از کلمه‌های "مغناطیس" و "فشار هوا" استفاده نمی‌شه و به جاشون کلمه‌هایی که از روی درکِ اون محرک خاص ساخته بودیم استفاده می‌شدن. چون درک حسی که از اون گیرنده‌ی خاص داریم رو خیلی زودتر از محرکش قراره بشناسیم. همون طوری که توی شعرای الان می‌گن "مدهوش سرخی لب‌هایت شدم" و نمیگن "مدهوش موج الکترومغناطیسی ۷۰۰ نانومتری ساطح شده از لب‌هایت شدم". چون "سرخ" اسمی هستش که ما روی درکِ این محرک گذاشتیم؛ خیلی قبل‌تر از اینکه بدونیم محرک رنگ سرخ دقیقا چه طیفی هستش. خلاصه که اگه زنبورها یا مارها در توصیف معشوقه‌هاشون شعر نوشته باشن خیلی مشتاقم بخونمشون و ببینم دقیقا از چه توصیف‌هایی داخلش استفاده کردن :) هرچند احتمال این که بتونم درکشون کنم احتمالا صفر باشه. همون طوری که ما انسانا می‌تونیم ابزارهایی بسازیم که طیف‌های مختلف رو برامون آشکار کنن اما خودمون هیچ وقت نمیتونیم به درکش برسیم چون گیرنده‌ش رو نداریم.

در نهایت شاید بتونیم این رو بگیم که استفاده از کلمه‌های "جهان"، "دنیا" و "واقعیت" به طور مطلق اشتباه هستش و در واقع همه‌ی این مفاهیم، تجربی هستن و ما این‌ها رو با استفاده از گیرنده‌هامون داخل ذهن خودمون می‌سازیم. هر موجود زنده‌ای در تعامل با این دنیا و واقعیتش، مفهوم و درک منحصر به فرد خودش از این‌ها رو می‌سازه. پس می‌شه گفت تعداد دنیاهایی که داخل این دنیا وجود دارن برابر تعداد موجوداتی هستش که درکی ازش در تعامل با محرک‌هاش ساختن.

موسیقی این قدرت را دارد که به خاطرات جان ببخشد، گاهی آن‌قدر قوی است که آزارت می‌دهد.

دیروز - هاروکی موراکامی

داستان‌های کوتاه برخلاف اسمِ "کوتاه"ای که روشون دارن نوشتنشون می‌تونه خیلی پیچیده‌ باشه. داخل یه رمان بلند، نویسنده می‌تونه فضای زیادی برای مانور و پرداختن به جزئیات، کاراکترها و جمع‌بندی داشته باشه. اما داخل‌ داستان‌های کوتاه فضای زیادی وجود نداره و نویسنده‌ باید فقط داخل چند صفحه داستان رو بسازه و همزمان به کاراکترا بپردازه و در نهایت جمع‌بندی‌ش رو هم داخل همین تعداد صفحه‌ی کم انجام بده. بنابراین نوشتن یه داستان کوتاهِ خوب کار خاصی هستش و مهارت زیادی می‌طلبه. موراکامی، استادِ نوشتن داستان‌های کوتاهه.

یک چیزی که خیلی درمورد نوشته‌های موراکامی دوست دارم اینه که کاراکتراش "واقعی" هستن. کاراکترهایی که داخل داستاناش وجود دارن کاملا معمولی‌ان؛ مثل خود ما و آدمایی که هر روز باهاشون رو به رو می‌شیم. قدرت خاصی ندارن، آسیب‌پذیرن و هر از گاهی اشتباه‌هایی می‌کنن. اما با وجود معمولی بودن، هرکدوم سرگذشت‌های منحصر به فرد خودشون رو دارن که باعث می‌شه تا مدت‌ها ردپای وجود خودشون رو داخل ذهن ما به جا بذارن.

موسیقی یه عضو جداناپذیر از کتاب‌های موراکامیه. داخل همه‌ی کتاباش می‌شه نقش حیاتی موسیقی و جهت دهی‌ مهمش به داستان رو دید. حتی بعضی از کتاباش به اسم یه موسیقی نام‌گذاری شده‌ن. مثل "جنگل نروژی" که اسمش از روی آهنگی به همین اسم از بیتلز گرفته شده. این داستان هم اسمش از آهنگ yesterday از بیتلز و لیریکی که داره الهام گرفته شده و فضای داخل داستان خیلی شبیه به فضای همین آهنگه.

داستان کوتاهیه توی نیم ساعت چهل دیقه می‌تونید تمومش کنید

توجه کنید چرت و پرت‌های بی پایه و اساسی که روشون برچسب علمی می‌زنن دقیقا همینجوری به وجود میان. روی هر چرت و پرتِ دل به خواهی برچسب "مطالعات نشان می‌دهند" یا "در مقالات و تحقیقات اشاره شده است" رو می‌زنن و برای اون چرت و پرت اعتبار میخرن. متاسفانه اکثر کسایی که همچین جمله‌هایی رو به عنوان برچسب می‌بینن چشم بسته باورش می‌کنن.

کدوم مطالعه؟ روش تحقیق چی بود؟ روش نتیجه‌گیری چی بود؟ رفرنست کجاست؟ کی همچین تحقیقی رو انجام داده؟ توی کدوم ژورنال این مطالعه‌ای که می‌گی چاپ شده؟
فراموش نکنین این که صرفا یه مطالعه‌ای انجام شده باشه مهم نیست، همه‌ی این سوال‌ها مهمن. مهم‌تر از اون، اینه که اگر یه مطالعه‌ای انجام شده باشه یا مقاله‌ای نوشته شده باشه، صرفا به عنوان "مطالعه" یا "مقاله" باید بهشون نگاه کرد. نه یه وحی منزل و فکت و حقیقتِ انکارناپذیر و تا ابد درست. اگر قرار بود همه‌ی مطالعه‌ها و مقالات تا ابد درست باشن اون موقع هیچوقت قرار نبود رو به جلو حرکت کنیم چون همه چی رو می‌دونستیم و همه چی رو سریع کشف کرده بودیم. هر روزه یک عالم مقاله و مطالعه‌ای که قبلا انجام شده‌ن نقض و رد می‌شن؛ چون این خاصیت علم هستش که خودش رو به طور پیوسته اصلاح کنه.

پلاسیبو یعنی چه؟

نام اثر پلاسیبو را حتماً شنیده‌اید. Placebo از ریشه placere به معنای خشنود کردن است. Placebo شکل آینده‌ی اول شخص مفرد از این ریشه هست.

در نتیجه معنی آن می‌شود:
خشنود خواهم کرد/خشنود خواهم ساخت.

همان کاری که پلاسیبو با بیمار می‌کند.

#کلمات

Menstruation 🩸

کلمه mensis در لاتین یعنی ماه یا month 🗓️.

این کلمه به کلمه یونانی mene یا همان moon 🌙 نیز مرتبط است.

یک باور وجود داشت که چرخه قاعدگی با چرخه ۲۸-۲۹ روزه‌ی ماه (lunar cycle)، مرتبط است.